采用模糊粗糙集约简属性的支持向量机短期负荷预测方法

摘要

随着电力市场化进程的深入发展，在满足电力系统安全运行、可靠供电的前提下对系统运行的经济性提出了更高的要求。而短期负荷预测作为电力调度部门制订购电计划和安排运行方式的重要参考依据，对系统运行经济性的提高起着重要作用。由于影响短期负荷的因素众多，加之随机因素的干扰，给短期负荷预测造成了一定的困难。因此，如何合理、有效地利用这些影响因素，如何描述不同影响因素与负荷之间的复杂非线性映射关系是当前面临的两个重要问题。
　　文章详细分析了模糊粗糙集(Fuzzy Rough Sets，FRS)和支持向量机(Support VectorMachine，SVM)这两种数据挖掘方法的特点，鉴于前者能够从大量的数据中提取出隐含的、对决策有潜在价值的信息，从而有效处理信息冗余的问题，后者因具有很强的非线性拟合能力以及良好的泛化性能而被广泛应用于负荷预测中。为此，提出了结合模糊粗糙集和SVM的混合型数据挖掘方法，并将其用于电力短期负荷预测。该方法采用模糊粗糙集理论中的属性约简算法来解决负荷预测中众多影响因素的信息膨胀问题，剔除与决策信息相关度较低的因素，将约简后的因素作为SVM的输入。所提方法在全面考虑影响负荷的众多因素的同时又适当压缩了输入变量，从而简化了SVM模型结构，缩短了训练时间。
　　此外，文章还以负荷预测工作的各个环节为线索，对历史数据的预处理、SVM模型核函数的选择以及SVM模型参数优化等几个方面分别作了研究。历史数据的预处理主要包括对异常值的修正、对缺失值的填补、对连续数据的离散化以及对样本数据的规范化处理，这些步骤为准确的负荷预测做好了数据上的准备;SVM模型核函数的选择对模型的预测性能影响很大，通过对常用核函数的分析比较，选择了具有良好解析性的径向基核函数;对建立SVM模型时需要优化模型参数的问题，采用遗传算法对SVM模型进行参数寻优。通过算例分析了采用模糊粗糙集约简属性的SVM模型的预测效果，并与未进行约简的常规SVM模型进行了比较，仿真结果表明，所提方法可以保证预测精度，加快计算速度。

目录

声明

摘要

第一章 绪论

1．1 引言

1．2 负荷预测方法概述

1．2．1 传统负荷预测方法

1．2．2 智能负荷预测方法

1．3 SVM负荷预测方法研究现状

1．4 本文主要工作

第二章 负荷变化特点与数据预处理

2．1 电力负荷的构成及变化特点

2．1．1 电力负荷的构成

2．1．2 电力负荷变化特点

2．2 影响短期负荷预测的主要因素

2．3 历史数据预处理

2．3．1 数据预处理的意义

2．3．2 数据清洗

2．3．3 待选输入变量的处理

2．4 本章小结

第三章 基于模糊粗糙集的SVM模型输入变量确定

3．1 经典粗糙集理论

3．2 模糊粗糙集

3．2．1 模糊集与粗糙集互补性分析

3．2．2 模糊集基本理论

3．2．3 模糊隶属函数的确定

3．3 基于属性依赖度的模糊粗糙集属性约简

3．3．1 模糊粗糙集属性约简过程

3．3．2 模糊粗糙集属性约简示例

3．4 基于模糊粗糙集的SVM模型输入变量的确定

3．5 本章小结

第四章 采用模糊粗糙集约简属性的SVM短期负荷预测

4．1 SVM回归算法

4．1．1 SVM回归预测原理

4．1．2 SVM核函数的选择

4．1．3 SVM参数优化方法

4．1．4 SVM图形用户界面工具箱介绍

4．2 采用模糊粗糙集约简属性的SVM短期负荷预测方法的实现

4．3 预测结果分析

4．4 本章小结

结论与展望

参考文献

致谢

附录A 攻读硕士学位期间发表的论文目录

附录B 攻读硕士学位期间参加的相关课题